视频结构化描述模型

如何有效地表示视频一直是多媒体领域的研究热点和难点。提出一种视频结构化描述模型,其基本思想是：利用视频的内蕴结构特点,以视频镜头作节点,以镜头间的相似度作边权,构建视频关联图模型,并提取视频关联图的谱特征,包括主分量特征、特征模容量、特征模周长、Cheeger常数、模间邻接矩阵、模间距离等。视频聚类和检索实验表明,视频结构化描述模型是可行的和有效的,其中主分量谱特征更表现了良好的性能。     

结构图的谱分解及聚类研究

探索用图谱方法嵌入和聚类非加权图,以图的邻接矩阵主要特征向量来定义邻接矩阵的特征模.对每个特征模,我们计算谱特征向量,包括特征模周界、特征模体积、Cheeger常数、模间邻接矩阵和模间边界距离.用两种对比方法嵌入这些向量到一个模式空间:1)用谱模式特征的协方差矩阵的主成分分析(PCA)和独立分量分析(ICA);2)两类模式向量在L2范数下的多维尺度变换方法(MDS).另外,我们在三维多面体的二维图像中用角点特征来表示邻近图,以描述不同嵌入方法的聚类效果.     

一种基于TextTiling的镜头边界检测算法

镜头边界检测是基于内容的视频检索中的关键技术,提出一种利用TextTiling方法来识别视频镜头边界的算法。通过滑动窗口对视频进行初步切割,利用主成分分析将视频帧投影到特征子空间,并在投影空间上计算相邻帧间距离,再根据相邻窗口之间的深度值确定视频镜头边界。针对TREC-2001视频测试数据集的实验结果显示,该算法检测镜头边界的平均查全率和平均查准率分别为89%和96.5%。     

基于小波阈值和主成分分析的视频去噪算法

将局部像素组主成分分析算法引入到视频去噪领域,并利用三维块匹配算法保持了视频序列的相关性,对视频中的噪声进行抑制。用三维块匹配视频去噪算法中小波阈值去噪得到的图像替换二阶局部像素组主成分分析中的第一阶处理得到的图像,这样可以避免局部像素组主成分分析算法直接处理视频时产生的局部效应。最后,局部像素组主成分分析算法也抑制了三维块匹配算法中的小波阈值去噪结果中产生的画面不平滑的问题。实验结果表明,本算法较好地将主成分分析算法引入到了视频去噪领域,同时较好地解决了三维块匹配视频去噪算法中小波阈值去噪的块效应问题,主客观指标的比较也表明本算法有较为优秀的去噪效果。     

基于深度学习的交互似然目标跟踪算法

针对传统的视频跟踪算法对视频跟踪的精度不足以及主成分分析(PCA)的非线性拟合能力较弱的问题,将卷积神经网络与交互似然(IL)算法相结合,在深度学习的基础上对粒子滤波算法进行了优化改进。将核主成分分析(KPCA)网络应用于视频跟踪来获取目标的深层次特征表达,并采用一种新的交互似然图像跟踪器, 非迭代地计算,对不同区域进行跟踪取样来减少数据之间的关联需求 。在图像集上将所提算法与多种改进算法进行评估对比,结果表明所提算法具有非常好的鲁棒性及精确性。     

一种改进的径向基神经网络预测算法

神经网络是数据挖掘的常用的方法之一,主成分分析方法是统计学多元分析中的一种分析多个变量间内在关系的方法。将主成分分析预处理方法与神经网络结合起来使用,可以分析原始变量间关系,将原始数据降维,减少数据规模。对神经网络算法和主成分分析相关理论进行了研究,在此基础上,结合大量的气象数据和北京的传染病数据,提出了一种改进的基于主成分分析预处理结合神经网络算法的数据挖掘方法。通过对比实验测试,本文提出的组合算法在收敛速度及预测准确性方面的性能有了很大程度提高。结合国家重大专项疾病预测项目,将该方法应用于其中的流行性传染病的预测上。     

基于图谱分解的人脸特征描述

文章探索用图谱方法嵌入且分析人脸几何特征,以图的邻接矩阵的主要特征向量来定义邻接矩阵的特征模。对每个特征模,计算谱特征向量,包括主分量特征值,模间邻接矩阵。用局部线性嵌入方法(LLE)方法嵌入这些向量到一个模式空间。另外,用人脸特征点来表示邻接图,并以几何平均图和模式特征向量的平均图两种方法对比描述不同嵌入方法的人脸特征。实验结果表明,谱向量特征平均方法能够较好地描述人脸。     

基于主成分分析的分块视频噪声估计

噪声估计在视频去噪领域具有重要的研究意义.实际生活中的噪声都是未知的,然而现存的视频去噪算法通常都假定视频的噪声水平是已知的,本文提出一种基于主成分分析（Principal component analysis,PCA）的分块视频噪声估计算法.首先,基于帧间进行块匹配寻找相似块,得到差分图像以消除视频运动的影响;其次,将正态分布函数作为阈值函数简化噪声估计算法模型;最后,设置明确迭代指标使得估计的结果更加精确,且降低了计算复杂度.主观视觉效果和客观指标对比表明,本文提出的基于主成分分析的分块视频噪声估计算法比其他优秀的噪声估计算法误差小同时鲁棒性高,能准确地估计视频噪声.     

基于互信息的主成分分析特征选择算法

主成分分析是一种常用的特征选择算法,经典方法是计算各个特征之间的相关,但是相关无法评估变量间的非线性关系.互信息可用于衡量两个变量间相互依赖的强弱程度,且不局限于线性相关,鉴于此,提出一种基于互信息的主成分分析特征选择算法.该算法计算特征间的互信息,以互信息矩阵的特征值作为评价准则确定主成分的个数,并衡量主成分分析特征选择的效果.通过实例对所提出方法和传统主成分分析方法进行比较,并以神经网络为分类器分析分类效果.     

基于PCA-LSTM的多变量矿山排土场滑坡预警研究

针对矿山排土场滑坡的过程是一个动态、大延迟、情况复杂的特性问题,影响矿山排土场滑坡的因素众多,各个特性指标间相互影响,而关于排土场滑坡预警并没有严格的划分标准,本文提出主成分关联长短期记忆（PCA-LSTM）网络模型,利用主成分分析和关联性分析,挖掘出所有特性指标当中的第一主成分,与第一主成分关联性较强的其它特性指标,将得到的其它特性指标和第一主成分作为预测排土场滑坡的主要特性指标,利用长短期记忆网络（LSTM）在处理时间序列问题能够将现有输入的信息与历史信息相互结合的特点;采用LSTM网络模型通过多个其它特性指标对第一主成分地表位移指标进行预测,并取得了较好的效果.     

基于多线性独立成分分析的掌纹识别

为快速有效地在掌纹识别中学习多种因素的高阶统计独立成分,利用多线性独立成分分析方法对掌纹张量进行降维,得到低维的模式矩阵,将掌纹图像向模式矩阵上投影以提取核心张量,通过计算核心张量间的余弦距离实现掌纹匹配。基于PolyU掌纹图像库的实验结果表明,与主成分分析(PCA)、二维PCA、独立成分分析和多线性PCA相比,该方法的识别率最高,且满足系统实时性要求。     

改进ICA算法及其在作物光谱分类中的应用

针对传统的固定点算法对分离矩阵初始值敏感的问题,提出一种改进的独立分量分析(ICA)算法,通过在传统的算法核心迭代过程中加入搜索因子,降低算法对矩阵初始值的依赖,提高处理效率。将ICA算法应用于作物精细光谱的分类,分别利用传统固定点算法和改进的固定点算法对混合光谱进行信息提取与分离。实验证明,改进的ICA算法在与传统算法作物光谱分类效果相当的情况下,迭代次数减少26%,提高了独立分量的分离效率,是一种有效的作物光谱分类方法。     

基于余弦角距离的主成分分析与核主成分分析

PCA和KPCA都是基于欧氏距离提出的,这种距离对离群数据点比较敏感,而余弦角距离对离群数据更为鲁棒,在很多情况下具有更好的性能。充分利用余弦角距离的优势,提出两种新的特征抽取算法——基于余弦角距离的主成分分析（PCAC）和基于余弦角距离的核主成分分析（KPCAC）。在YALE人脸数据库与PolyU掌纹数据库上的实验表明,PCAC比PCA取得了更好的效果,KPCAC也表现出了很好的性能。     

基于KPCA光谱特征约束的水边线提取算法

为充分利用遥感影像的多波段光谱特征,提高水边线的提取精度,提出了基于核主元分析（KPCA）光谱特征约束的水边线提取模型。利用KPCA变换提取水体样本的光谱特征,采用最大似然法估计特征空间中水体光谱特征概率密度函数的特征参数,进而构建水体的光谱特征项。以测地线活动轮廓（GAC）模型为基础,建立图像数据项。结合光谱特征项和图像数据项建立水边线提取模型。在Landsat TM数据集上进行的水边线提取实验验证了算法的有效性,与GAC模型和基于距离正则化的水平集方法（DRLSE）相比较,该算法提取的水边线,在保证一定运行速度的情况下,更准确。     

基于特征的弹性图匹配人脸识别算法改进

针对传统人脸识别弹性图匹配算法空间复杂度高、实时性较差的问题,提出一种弹性图匹配改进算法,将人脸图片特征点经Gabor小波预处理后,结合主成分分析(PCA)和Fisher线性判别方法(FLD)对生成的特征矢量进行处理,降低维数,减少计算量,同时在不降低识别率的前提下,提高识别速度。与传统的PCA算法、FLD算法、EGM算法进行仿真比较,证明该改进算法识别率高、实时性好。     

基于ICA和EMD的生理信号提取

提出一种新的获取人体生理参数的方法,用摄像头采集人脸的彩色视频,对人脸区域进行颜色通道分离和独立成分分析（ICA）,获取有用信号。使用经验模态分解（EMD）的方法,把信号分解成可以反映出生命信息的固有模态函数（IMF）,再根据所设计的提取准则,分别提取出较为准确的心跳和呼吸信号。用Bland-Altman法进行对比实验分析,结果表明,此方法具有一定的准确性和实用性。     

结合mean-shift与MST的K-means聚类算法

针对初始点选择不当导致K—means陷入局部最小值问题,提出一种结合自适应mean-shift与最小生成树（MST）的K—means聚类算法。将数据对象投影到主成分分析（PCA）子空间,给出自适应mean．shift算法,并在PCA子空间内将数据向密度大的区域聚集,再利用MST与图连通分量算法,找出数据的类别数和类标签,据此计算原始空间的密度峰值,并将其作为K．means聚类的初始中心点。对K—means的目标函数、聚类精度和运行时间进行比较,结果表明,该算法在较短的运行时间内能给出较优的全局解。     

基于SPCA和域变换递归滤波的高光谱图像分类

提出一种基于分割的主成分分析（Segmented Principal Component Analysis,SPCA）和域变换递归滤波（Domain Transform Recursive Filtering,DTRF）的高光谱图像分类算法。利用SPCA方法降低高光谱图像的维数和提取各波段子集的第一主成分。使用不同参数的域变换递归滤波器对各波段子集第一主成分进行滤波,形成堆叠的边缘保持滤波图。采用主成分分析（Principal Component Analysis,PCA）将堆叠的边缘保持滤波图进行特征融合。利用基本阈值分类器（Basic Thresholding Classifier,BTC）对融合后的主成分进行分类。仿真实验表明,所提方法能够提高分类精度,且在总体分类精度、平均分类精度、Kappa系数等方面优于已有方法。     

基于K-EROS的QAR数据集的相似性分析

叙述了传统的PCA方法在处理QAR数据相似性问题的不足,提出基于EROS的KPCA方法处理QAR数据之间的相似性问题。通过引入EROS方法而不需要对数据进行向量化,引入核矩阵对QAR数据进行主成分分析,可以有效降低数据的维数。选取两组QAR数据集,采用支持向量积方法,选用不同数目的主成分进行分类实验,同SPCA方法和GPCA方法进行比较,实验结果显示把该方法运用到QAR数据集,具有较好的分类结果。